Ik had mijn Ai-assistent een geheugen gegeven. Netjes, dacht ik: een map vol documenten, één per project, waar alles in stond wat de Ai moest weten om me te helpen. En toch bleef ik hetzelfde probleem tegenkomen. Ik paste ergens een regel aan, bijvoorbeeld hoe ik met een bepaald onderdeel omga, en twee weken later gedroeg de Ai zich alsof die wijziging nooit had plaatsgevonden. Waarom? Omdat diezelfde regel op zeven andere plekken óók stond, en ik daar één was vergeten.

Toen ik het echt ging natellen, schrok ik. In mijn geheugenbestanden stonden ongeveer honderd volledig overbodige regels. Elk projectbestand herhaalde dezelfde handvol algemene afspraken: hoe ik mijn containers draai, hoe ik test, welke poorten waar horen. Vier globale regels, keer op keer overgeschreven. Elke aanpassing moest ik op zeven of meer plekken bijhouden. En omdat ik dat natuurlijk niet foutloos deed, kreeg ik stille inconsistenties: de ene plek zei A, de andere nog steeds B. Bovendien kostte al die herhaling me bij elke sessie zo’n 900 tokens aan context die nul nieuwe informatie toevoegde. Ik betaalde, in geld en in tijd, voor ruis.

Een zoekmachine is niet hetzelfde als kennis#

De standaardaanpak voor “geef je Ai toegang tot je documenten” heet RAG: je gooit al je bestanden in een systeem, en op het moment dat je een vraag stelt gaat de Ai daarin zoeken naar relevante stukjes. Het werkt, maar het heeft een kenmerkende zwakte. De Ai vindt elke keer opnieuw fragmenten die toevallig op je vraag lijken, zonder dat er ooit iets wordt opgebouwd. Vind je vandaag iets uit, dan is dat inzicht morgen weer weg, tenzij het per ongeluk weer bovenkomt drijven. Je hebt een zoekmachine over een hoop rommel, geen kennisbank.

Begin 2026 deelde Andrej Karpathy, een van de bekendere namen uit de Ai-wereld, een alternatief dat precies mijn probleem raakte. Zijn idee: laat je Ai geen documenten dóórzoeken, maar laat de Ai je ruwe input compileren tot een wiki. Kleine, gerichte notities met onderlinge verwijzingen, die de Ai zelf onderhoudt. Antwoorden stapelen dan op elkaar in plaats van dat ze steeds opnieuw gevonden moeten worden. Ik las het, keek naar mijn eigen zootje van zeven keer herhaalde regels, en wist meteen: dit is wat ik verkeerd doe.

Drie lagen, één principe#

De structuur die ik overnam is verrassend simpel en bestaat uit drie lagen.

De eerste laag is de ruwe input: papers, aantekeningen van een sessie, dingen die ik ergens vandaan knip. Die blijven onaangeroerd staan zoals ze binnenkwamen. Dat is de grondstof.

De tweede laag is de wiki zelf: kleine, gerichte notities die de Ai schrijft door die ruwe input te comprimeren. Dit is het deel dat de Ai bezit en onderhoudt. Niet ik knip en plak, de Ai leest het ruwe materiaal en destilleert het tot bruikbare, gelinkte kennis.

De derde laag is de configuratie: een paar bestanden die vastleggen hoe een notitie eruit hoort te zien en hoe nieuwe input verwerkt wordt. Dat is de enige laag waar ik zelf de regels bepaal.

Onder die drie lagen zit één principe dat alles bij elkaar houdt: één feit, één plek. Precies het principe dat ik met mijn zeven kopieën van dezelfde regel had geschonden.

Wat een goede notitie kenmerkt#

Toen ik mijn kennisbank ging herinrichten, hield ik een paar concrete regels aan die het verschil maken tussen een wiki en een nieuwe hoop rommel.

Elke notitie gaat over één concept. Klein en gericht, niet één megabestand met alles erin. Als richtlijn houd ik aan dat een notitie onder de 1500 tokens blijft, ruwweg een paar schermen tekst. Wordt het groter, dan gaat er waarschijnlijk meer dan één onderwerp in en moet ik splitsen.

Alles staat in gewone platte tekst, zodat elk Ai-model het kan lezen zonder speciaal formaat. Notities verwijzen naar elkaar met simpele links, zodat verwante kennis verbonden is zonder dat ik een strakke mappenstructuur hoef te verzinnen. En de kern: elk feit staat op precies één plek. Geldt een regel voor alle projecten, dan staat die in één centrale notitie, en verwijzen de projecten ernaar. Niet overschrijven, verwijzen.

Tot slot laat ik er periodiek een opschoonronde overheen lopen die zoekt naar tegenstrijdigheden, dode links en nieuwe verbanden. Zo blijft de boel gezond in plaats van langzaam weer dicht te slibben.

“Maar heb ik dan geen zoekmachine-database nodig?”#

Dat is de vraag die ik zelf ook meteen had. De verwachting is dat je voor “Ai over je eigen kennis” een geavanceerde zoek-database nodig hebt, van die dure, ingewikkelde infrastructuur. Het verrassende antwoord: onder de honderd notities heb je dat helemaal niet nodig. Bij die omvang past een simpele index plus de gewone context van het Ai-model ruimschoots. Je begint dus niet met bouwen aan infrastructuur, je begint met opschrijven. Pas als je kennisbank echt groot wordt, wordt zwaarder gereedschap interessant. Voor het overgrote deel van de mensen die dit lezen: je bent al ver genoeg met een map platte tekstbestanden en de discipline om er één feit op één plek in te zetten.

Het resultaat bij mij was direct merkbaar. Alleen al het opruimen van die honderd overbodige regels leverde de eerder genoemde besparing van ongeveer 900 tokens per sessie op, plus iets wat lastiger in een getal te vangen is: ik vertrouw mijn kennisbank weer. Als er ergens iets staat, staat het er maar één keer, en dan klopt het.

Twee valkuilen die ik zelf inliep#

Eerlijk is eerlijk, twee dingen gingen mis onderweg.

De eerste: ik liet de Ai soms schrijven zonder dat die eerst de actuele versie van een notitie had teruggelezen. Gevolg: hij bouwde voort op een verouderd beeld en introduceerde precies de inconsistentie die ik juist wilde uitbannen. De les: altijd eerst vers teruglezen wat er staat, dan pas aanpassen.

De tweede: metadata over hetzelfde ding stond soms toch op meer dan één plek, en dan werk je er eentje bij en vergeet je de rest. Mijn oplossing is een simpele reflex geworden: verander ik een gegeven, dan zoek ik dat gegeven eerst door de hele kennisbank heen om te controleren of het nergens anders óók staat. Eén feit, één plek, is niet iets wat je één keer inricht. Het is iets wat je elke wijziging opnieuw bewaakt.

Wat betekent dit voor jouw bedrijf?#

Misschien draai je geen Ai-assistent met een geheugenmap. Maar de kans is groot dat je wél een verzameling kennis hebt die versnipperd is: procedures in een handleiding, dezelfde afspraak in drie verschillende documenten, een handboek waarvan niemand meer weet welke versie klopt. Zodra je daar Ai op los wilt laten, of het nu een chatbot voor je team is of een assistent die klantvragen helpt beantwoorden, kom je precies mijn probleem tegen. Ai die put uit tegenstrijdige bronnen geeft tegenstrijdige antwoorden, met veel overtuiging.

Drie dingen die je vandaag kunt meenemen:

  1. Schrijf elk feit op één plek op. Herhaal je ergens dezelfde regel, vervang de kopie door een verwijzing. Dit is saai en het is het belangrijkste dat er is.
  2. Houd notities klein en over één onderwerp. Een kort, gericht document is voor zowel mens als Ai makkelijker te vertrouwen dan een allesomvattend epos.
  3. Begin niet met dure infrastructuur. Onder een paar honderd stukjes kennis kom je verrassend ver met gewone tekstbestanden en discipline. Bouw het zware gereedschap pas wanneer je het echt nodig hebt.

Kennis die opstapelt in plaats van steeds opnieuw gevonden te worden: dat is het verschil tussen een Ai die je slimmer maakt en een Ai die telkens opnieuw begint.

Wil je hier concreter mee aan de slag? Met mijn gratis kennisbank voor Ai in één dag zet je die wiki voor jouw bedrijf in een dag op. Spar je liever over jouw specifieke situatie, kijk dan op de consulting-pagina.